🔒Открыть пост
и посмотреть медиа
и посмотреть медиа
⚙️ Не только модель: как «обвязка» из памяти вывела компактную 8B-модель на уровень флагманов
Исследователи Meta AI и Иллинойсского университета представили EvoHarness-RL — фреймворк, в котором агент сам учится управлять рабочей памятью: хранит состояние среды, подзадачи и прошлый опыт вместо заранее прописанных скриптов.
Результат впечатляет: Qwen3-8B с EvoHarness-RL решила 96,9% задач бенчмарка ALFWorld — это +49 п.п. к обычному ReAct и уровень frontier-моделей (96,4%). Вывод: для длинных агентных задач архитектура памяти и scaffolding часто важнее размера самой модели.
Как применить: если ваш агент путается в многошаговых задачах, не спешите менять модель — сначала дайте ему явную рабочую память: что уже сделано, что осталось, что он узнал по ходу. Исследование открыто, детали в arXiv.
🌐 Источник: VentureBeat
#ИИ #агенты #исследования #Meta #открытые_модели